Il rilevamento delle anomalie è una tecnica utilizzata nell'analisi dei dati e nell'apprendimento automatico (ML) per identificare elementi, eventi o osservazioni rare che destano sospetti in quanto differiscono in modo significativo dalla maggior parte dei dati. Questi modelli non conformi sono spesso definiti anomalie, outlier, eccezioni o particolarità. L'idea di base è quella di stabilire innanzitutto una chiara comprensione di ciò che costituisce il comportamento "normale" all'interno di un set di dati e quindi segnalare tutti i punti o i modelli di dati che si discostano in modo sostanziale da questa norma. Questo è fondamentale in vari settori per identificare potenziali rischi, errori o opportunità uniche.
Come funziona il rilevamento delle anomalie
I sistemi di rilevamento delle anomalie in genere apprendono gli schemi normali presenti in un set di dati di formazione. Questo apprendimento può avvenire attraverso vari metodi:
- Metodi statistici: Questi metodi utilizzano le proprietà statistiche dei dati, come la media, la deviazione standard o le distribuzioni di probabilità, per definire un intervallo di normalità. I punti di dati che non rientrano in questo intervallo sono considerati anomalie.
- Approcci di apprendimento automatico:
- Clustering: Algoritmi come DBSCAN raggruppano punti di dati simili. I punti che non appartengono a nessun cluster o che appartengono a cluster molto piccoli possono essere segnalati come anomalie.
- Classificazione: Tecniche come le macchine vettoriali di supporto (SVM) o le reti neurali (NN) possono essere addestrate per distinguere tra dati normali e anomali, spesso richiedendo esempi etichettati di entrambi(apprendimento supervisionato).
- Autoencoder: Queste reti neurali imparano a comprimere e ricostruire i dati normali. Le anomalie spesso comportano errori di ricostruzione elevati, rendendole rilevabili. Si tratta di una forma di apprendimento non supervisionato in quanto impara principalmente dai dati normali.
La scelta del metodo dipende dalla natura dei dati e dai requisiti specifici dell'applicazione.
Rilevamento delle anomalie e concetti correlati
È importante distinguere il rilevamento delle anomalie dalle attività di computer vision (CV) e ML correlate:
- Rilevamento di oggetti: Questo compito si concentra sull'identificazione e la localizzazione di tipi di oggetti noti all'interno di un'immagine (ad esempio, trovare tutte le auto e i pedoni). Il rilevamento di anomalie, in particolare nella visione, potrebbe identificare un oggetto inaspettato o un difetto che non appartiene a una classe predefinita. Ad esempio, rilevare una crepa su una superficie anziché identificare la superficie stessa.
- Classificazione delle immagini: Assegna un'immagine a una delle diverse categorie predefinite (ad esempio, classifica un'immagine come contenente un "gatto" o un "cane"). Il rilevamento delle anomalie identifica le immagini o i modelli che non rientrano in nessuna delle categorie normali e previste.
Applicazioni del mondo reale
Il rilevamento delle anomalie ha un'ampia gamma di applicazioni:
- Controllo qualità della produzione: Identificare difetti come graffi, crepe o componenti disallineati sulle linee di produzione utilizzando sistemi di visione. L 'intelligenza artificiale nel settore manifatturiero sfrutta questo aspetto per evitare che i prodotti difettosi raggiungano i consumatori. Ad esempio, un sistema potrebbe segnalare come anomalia una bottiglia con un'etichetta stampata male. Per saperne di più su come la computer vision migliora il controllo della qualità.
- Cybersecurity: Rilevare modelli insoliti di traffico di rete, tentativi di accesso da luoghi inaspettati o comportamenti anomali del sistema che potrebbero indicare malware, intrusioni o attacchi denial-of-service. Organizzazioni come la Cybersecurity and Infrastructure Security Agency (CISA) sottolineano l'importanza di questi metodi di rilevamento.
- Rilevamento delle frodi finanziarie: Identificare modelli di transazione atipici, come acquisti insolitamente grandi o transazioni da luoghi sconosciuti, che potrebbero segnalare attività fraudolente. Scopri come l 'intelligenza artificiale influisce sulla finanza.
- Assistenza sanitaria: Rilevare risultati anomali nell'analisi delle immagini mediche, come l'identificazione di tumori nelle scansioni o la segnalazione di segni vitali insoliti dei pazienti. Scopri come i modelli YOLO possono essere utilizzati per il rilevamento dei tumori.
- Monitoraggio dello stato di salute del sistema: Monitoraggio dei sensori e dei log delle apparecchiature industriali o dell'infrastruttura IT per prevedere i guasti o rilevare i problemi di prestazioni in base alle deviazioni dai normali parametri operativi. Scopri il monitoraggio dei sistemi legacy con YOLO11.
Strumenti e tecnologie
Lo sviluppo di sistemi di rilevamento delle anomalie spesso coinvolge librerie ML standard e piattaforme specializzate. Framework come PyTorch e TensorFlow forniscono strumenti fondamentali per la creazione di modelli personalizzati. Per le attività basate sulla visione, modelli come Ultralytics YOLO possono essere adattati. Sebbene i modelli YOLO pre-addestrati eccellano nel rilevamento di oggetti comuni, possono essere addestrati su set di dati specifici per identificare anomalie specifiche del dominio, come difetti unici o modelli visivi insoliti. Piattaforme come Ultralytics HUB offrono ambienti integrati per addestrare, distribuire e gestire in modo efficiente tali modelli.
Il rilevamento delle anomalie è una capacità vitale dell'AI e del ML moderni, che consente di identificare in modo proattivo le criticità e le deviazioni in numerosi settori. Scopri di più sui concetti correlati nel nostro GlossarioUltralytics .